Data-Crawler：一个配置驱动、可断点续跑的 GitHub Python 代码爬取工具

GitHub 开源项目 Data-Crawler 是一个配置驱动的 Python 源码爬取器，可发现 GitHub 仓库、按查询组权重和 star 分层抽样、清洗校验代码、扫描密钥并去重，最终产出适合代码 LLM 训练的 JSONL 数据集。它通过 SQLite 持久化状态支持断点恢复与 append 模式多轮扩展语料，并按仓库级划分 train/validation 以减少数据泄漏，输出保持模型无关。